人类的皮肤位于人体的表面,是影响外貌的重要因素,也是人体抵抗疾病侵袭的重要屏障。皮肤色素分离,通过分析人体皮肤的彩色图像,从图像中分别计算提取出,色素的相对含量和分布数据,其中包括皮肤中的两种主要色素:黑色素和血色素。皮肤镜的图像分割,目的是为了检测皮肤损伤区域的位置和边缘轮廓。随着计算机技术的不断发展,使用计算机分析皮肤色素分布,对化妆品和医疗行业有良好的辅助作用。同时,计算机辅助诊断广泛应用于皮肤镜图像和临床图像的自动评估和诊断,对皮肤病治疗具有重要意义。皮肤色素分离在皮肤光学模型基础上,使用独立成分分析,获取黑色素和血色素分布信息;本文从数据筛选的角度,对皮肤色素分离算法进行改进。近些年,随着深度学习的不断成熟,皮肤镜图像分割任务逐渐使用深度学习网络模型,解决图像分割问题,得到皮损区域轮廓;本文结合皮肤色素分离方法,改进语义分割网络流程,提升了分割准确度。本文在已有研究现状的基础上,主要进行了以下工作:(1)提出了一种基于图像通道距离的子块筛选算法。为使得皮肤色素分离模型,分离效果更加准确清晰,提出图像的子块筛选算法,对输入的单个皮肤图像数据进行筛选。将输入图像划分成大小相同的子块,按照通道间的平均像素差值,对子块进行排序和筛选,重新组合色素分离模型的输入数据。(2)提出了一种图像数据的局部聚类降维方法。针对独立成分分析方法,计算过程不稳定的问题,对预处理后的数据进行局部聚类降维,缩减数据规模,降低计算复杂度。在数据预处理之后,均匀设置一定数量的聚类中心,按照样本点与聚类中心的欧式距离重新分配聚类中心。在聚类结束后,根据聚类中心,随机挑选一定数量的样本点,实现数据降维。经实验验证,算法稳定性有显著提升。(3)提出了一种结合皮肤色素分离的Segnet网络分割方法。在深度学习算法的框架上,结合色素分离算法和语义分割网络中的Segnet网络模型,对皮肤镜图像进行分割。首先,对皮肤镜图像进行色素分离,得到相应的黑色素和血色素图像;接着,将黑色素和血色素图像转为单通道的灰度图,与原图像合并,扩充为通道数为5的图像数据;然后,对扩充后的图像,使用语义分割网络中Segnet深度神经网络,实现图像分割。在ISIC-2018皮肤镜图像数据集上的实验结果表明,在综合考虑准确率,敏感性和特异性三个指标的前提下,本文算法达到了较好的分割效果。